基于特征匹配的目標(biāo)識(shí)別與定位方法研究.pdf

1、目標(biāo)識(shí)別和定位是增強(qiáng)現(xiàn)實(shí)(AugmentedReality，AR)中的重要環(huán)節(jié)，可實(shí)現(xiàn)空間目標(biāo)的識(shí)別和相機(jī)相對(duì)于目標(biāo)的位姿估計(jì)。在增強(qiáng)現(xiàn)實(shí)系統(tǒng)中，通過(guò)將計(jì)算機(jī)產(chǎn)生的虛擬物體或信息與真實(shí)場(chǎng)景疊加在一起，為實(shí)現(xiàn)融合效果的感官真實(shí)性，首先識(shí)別待“增強(qiáng)”的目標(biāo)真實(shí)場(chǎng)景，并保證虛擬對(duì)象和現(xiàn)實(shí)場(chǎng)景的匹配精度和動(dòng)態(tài)一致性，這就需要實(shí)時(shí)跟蹤現(xiàn)實(shí)世界中相機(jī)的位姿。
　　 由于現(xiàn)實(shí)環(huán)境比較復(fù)雜，在目標(biāo)識(shí)別及相機(jī)位姿估計(jì)過(guò)程中，首先需要解決的問(wèn)題是提

2、取高效穩(wěn)定的特征匹配點(diǎn)對(duì)，利用匹配結(jié)果識(shí)別相同或相近物體，估計(jì)相鄰視圖之間的變換矩陣，進(jìn)而得到相機(jī)在不同位置的外部參數(shù)矩陣。可見(jiàn)，特征的匹配精度及匹配效率直接影響目標(biāo)識(shí)別和定位方法的準(zhǔn)確性及實(shí)時(shí)性，特征匹配已成為目標(biāo)識(shí)別和定位的關(guān)鍵技術(shù)。目前，常用的特征描述及匹配方法主要可分為兩類:基于不變量的局部描述算子的特征識(shí)別及匹配和基于統(tǒng)計(jì)學(xué)習(xí)方法的特征識(shí)別及匹配方法。然而，特征匹配及相機(jī)位姿估計(jì)存在以下三方面問(wèn)題:
　　 (1)局部不

3、變性特征采用高強(qiáng)度的特征描述以提高其對(duì)環(huán)境的適應(yīng)性，不僅包含關(guān)鍵點(diǎn)自身的信息，還聯(lián)合關(guān)鍵點(diǎn)周?chē)鷮?duì)其有貢獻(xiàn)的像素構(gòu)建出高維的特征向量描述子，維數(shù)越高，魯棒性越好，但計(jì)算復(fù)雜度越高。SIFT算子是128維的特征向量，SURF算子是64維向量，顯然，較高的維度使這類算子的提取及匹配過(guò)程計(jì)算量負(fù)擔(dān)大、運(yùn)算速度慢，且需占用大量的內(nèi)存空間。當(dāng)環(huán)境中有數(shù)千上萬(wàn)個(gè)特征時(shí)，局部特征將無(wú)法滿足實(shí)時(shí)系統(tǒng)的要求，且對(duì)于實(shí)時(shí)AR系統(tǒng)在移動(dòng)終端上的應(yīng)用擴(kuò)展非常不利

4、。
　　 (2)基于統(tǒng)計(jì)學(xué)習(xí)方法的特征識(shí)別及匹配方法把計(jì)算量轉(zhuǎn)移到離線分類器的訓(xùn)練，在線特征匹配具有計(jì)算量小的優(yōu)勢(shì)，但該類算法特征識(shí)別及匹配效果受分類器性能影響，隨機(jī)性較強(qiáng)，穩(wěn)定性較差。隨機(jī)蕨(RandomFerns)[1][2][3]方法由V.Lepetit等人在2009年提出，采用樸素貝葉斯分類模型，是迄今效果最好的機(jī)器學(xué)習(xí)特征匹配方法，但也存在匹配精度不足的問(wèn)題。由于樸素貝葉斯分類模型本身的特性，需假設(shè)各特征屬性之間相互獨(dú)

5、立，并對(duì)特征屬性進(jìn)行隨機(jī)分組。然而，由于特征屬性由灰度比較得到，圖像的像素之間又必然存在聯(lián)系，隨機(jī)分組忽略了不同屬性組合對(duì)分類器的重要性不同。而不恰當(dāng)?shù)膶傩詣澐謺?huì)影響分類器的質(zhì)量，并最終導(dǎo)致分類結(jié)果隨機(jī)性較強(qiáng)，匹配率較低。
　　 (3)在相機(jī)內(nèi)部參數(shù)已知情況下，已知空間目標(biāo)點(diǎn)與其像點(diǎn)的匹配對(duì)應(yīng)關(guān)系，可求解相機(jī)相對(duì)位姿，也被稱為PnP(Perspective-n-Point)問(wèn)題?，F(xiàn)有的PnP算法大致可分為迭代算法和非迭代算法兩類

6、。非迭代算法采用代數(shù)方法直接求出相對(duì)位姿，該類算法具有運(yùn)算量小、計(jì)算速度快等優(yōu)點(diǎn)，但受誤差影響大，且精度不高，常應(yīng)用于迭代算法的初值計(jì)算。迭代算法是將PnP問(wèn)題表示為受約束的非線性優(yōu)化問(wèn)題，通過(guò)求解該優(yōu)化問(wèn)題得到相機(jī)相對(duì)位姿的數(shù)值解。該類方法精度較高，但計(jì)算量較大，且受初始值的影響算法通常會(huì)收斂到局部最小值而不是全局最小值，或收斂到錯(cuò)誤解。因此尋求一種折中的PnP問(wèn)題解決方法，對(duì)于實(shí)現(xiàn)快速準(zhǔn)確的目標(biāo)定位非常關(guān)鍵。
　　 針對(duì)以上

7、問(wèn)題，目前目標(biāo)識(shí)別和定位的研究目的可總結(jié)為:一是簡(jiǎn)化局部不變性特征提取，并采用有效的數(shù)據(jù)結(jié)構(gòu)及搜索查詢算法，提高特征匹配的速度;二是發(fā)展完善基于統(tǒng)計(jì)學(xué)習(xí)的特征匹配方法，降低時(shí)間復(fù)雜度，并提供有意義的信息指導(dǎo)屬性組合劃分，降低盲目性，不斷提高特征識(shí)別率和匹配精度;三是設(shè)計(jì)精度較高，且計(jì)算量較小的相機(jī)位姿確定方法，并盡量減少初始值對(duì)估測(cè)結(jié)果的影響。
　　 本文以目標(biāo)識(shí)別和定位為研究對(duì)象，重點(diǎn)系統(tǒng)研究了特征匹配技術(shù)及相機(jī)位姿估計(jì)方法，

8、本文主要工作如下:
　　 (1)局部不變性特征的快速匹配方法
　　 由于局部不變性特征匹配的高強(qiáng)度描述特性，為降低高維矩陣匹配的計(jì)算量，并減少對(duì)內(nèi)存的消耗。多維二進(jìn)制索引樹(shù)(Kd-樹(shù))是把二叉樹(shù)推廣到多維數(shù)據(jù)的一種主存數(shù)據(jù)結(jié)構(gòu)，本文采用擴(kuò)展Kd-樹(shù)建立多維索引，并利用最近鄰查詢算法在Kd-樹(shù)中檢索與查詢點(diǎn)距離最近的數(shù)據(jù)點(diǎn)，即待匹配點(diǎn)。Kd-樹(shù)的引入極大方便高維特征點(diǎn)的搜索操作，但查詢得到的結(jié)果并不一定是正確的匹配對(duì)，本文

9、采用隨機(jī)抽樣一致性(RANSAC)提純匹配點(diǎn)對(duì)，給定合適的迭代參數(shù)，RANSAC可得到較好的擬合結(jié)果。圖像拼接的應(yīng)用實(shí)例驗(yàn)證了特征匹配的有效性。
　　 (2)基于條件互信息量的隨機(jī)蕨特征匹配方法
　　 本文重點(diǎn)研究隨機(jī)蕨算法，利用條件互信息量[4][5指導(dǎo)特征屬性的組合劃分，提出了一種基于條件互信息量的隨機(jī)蕨特征匹配方法，以MI-Ferns表示，其主要內(nèi)容包括:訓(xùn)練樣本獲取，特征屬性劃分，離線分類器訓(xùn)練及在線特征識(shí)別及匹

10、配。其中，最關(guān)鍵的部分是分類器的離線訓(xùn)練階段，訓(xùn)練的結(jié)果直接影響在線特征匹配效果。本文提出的MI-Ferns方法改善了隨機(jī)蕨蕨叢構(gòu)建的盲目性對(duì)分類結(jié)果的影響，提高了離線分類器的分類性能。另外，由于特征屬性間的條件互信息量計(jì)算僅存在于離線階段，因此不會(huì)增加在線匹配的運(yùn)算時(shí)間。仍利用RANSAC方法剔除誤匹配點(diǎn)，進(jìn)一步提高匹配精度。通過(guò)實(shí)驗(yàn)對(duì)比原有隨機(jī)蕨算法(RF)與改進(jìn)隨機(jī)蕨方法(MI-Ferns)的特征識(shí)別率和匹配性能，驗(yàn)證了改進(jìn)隨機(jī)蕨

11、方法的有效性及較高的匹配精度。
　　 (3)相機(jī)位姿估計(jì)方法研究
　　 相機(jī)位姿估計(jì)有多種方法，從課題實(shí)際需求出發(fā)，本文設(shè)計(jì)了一種計(jì)算量較小，受環(huán)境噪聲影響小的相機(jī)位姿確定系統(tǒng)。該系統(tǒng)中，由改進(jìn)的隨機(jī)蕨算法提供特征匹配對(duì)，相機(jī)模型采用小孔成像模型，并根據(jù)張氏標(biāo)定算法求取攝像機(jī)的內(nèi)部參數(shù)矩陣，采用一種非迭代的PnP方法[6]估計(jì)相機(jī)的投影矩陣。該方法將空間坐標(biāo)點(diǎn)和圖像特征點(diǎn)均表示為4個(gè)虛擬控制點(diǎn)，把PnP問(wèn)題轉(zhuǎn)化為估計(jì)4個(gè)

12、虛擬控制點(diǎn)在相機(jī)坐標(biāo)系中的坐標(biāo)值問(wèn)題。該方法計(jì)算簡(jiǎn)單，但精度與迭代方法相比仍然較低。因此本文采用高斯-牛頓非線性算法對(duì)求解結(jié)果進(jìn)行優(yōu)化，非迭代算法求取的結(jié)果作為優(yōu)化的初始值，使得該方法的計(jì)算精度可達(dá)到Lu于2000年提出的最經(jīng)典的迭代方法[7]的精度，且優(yōu)化算法的引入沒(méi)有明顯增加計(jì)算量。
　　 實(shí)驗(yàn)結(jié)果表明，基于不變量的局部特征匹配技術(shù)，對(duì)光照、尺度、遮擋等條件下具有一定的適應(yīng)能力，改進(jìn)的隨機(jī)蕨算法識(shí)別率較好，其匹配結(jié)果經(jīng)RAN